Stata是如何做聚类分析的?接下来艾思云课堂小编给大家收集了一些资料，下面就是教大家如何使用stata软件做聚类分享的内容。

　　cluster kmeans y x1 x2 x3, k(3)

　　——依据y、x1、x2、x3，将样本分为n类，聚类的核为随机选取

　　cluster kmeans y x1 x2 x3, k(3) measure(L1) start(everykth)

　　—— "start"用于确定聚类的核，"everykth"表示将通过构造三组样本获得聚类核：构造方法为将样本id为1、1+3、1+3×2、 1+3×3……分为一组、将样本id为2、2+3、2+3×2、2+3×3……分为第二组，以此类推，将这三组的均值作为聚类的核;"measure"用 于计算相似性和相异性的方法，"L1"表示采用欧式距离的绝对值，也直接可采用欧式距离(L2)和欧式距离的平方(L2squared)。PS：这个方法 所得的结果与SPSS所得结果相同。

　　sort c1 c2(对c1和c2两个分类变量排序)

　　by c1 c2：reg y x1 x2 x3(在c1、c2的各个水平上分别进行回归)

　　bysort c1 c2：reg y x1 x2 x3 if c3=1(逗号前面相当于将上面两步骤合一，既排序又回归，逗号后面的“if c3=1”表示只有在c3=1的情况下才进行回归)

　　stepwise, pr(.2): reg y x1 x2 x3(使用Backward selection，去除P值大于0.2时变量)

　　stepwise, pe(.2): reg y x1 x2 x3(使用forward selection，去除P值小于0.2时变量)

　　stepwise, pr(.2) pe(.01):reg y x1 x2 x3(使用backward-stepwise selection，取P值在0.01和0.2之间的变量)

　　stepwise, pe(.2) forward: reg y x1 x2 x3(使用forward-stepwise selection)

　　reg y x1 x2 x3

　　predict Yhat,xb

　　predict u,resid

　　predict ustd,stdr(获得残差的标准误)

　　predict std,stdp(获得y估计值的标准误)

　　predict stdf,stdf(获得y预测值的标准误)

　　predict e,e(1,12)(获得y在1到12之间的估计值)

　　predict p,pr(1，12)(获得y在1到12之间的概率)

　　predict rstu,rstudent(获得student的t值)

　　predict lerg,leverage(获得杠杆值)

　　predict ckd,cooksd(获得cooksd)

　　reg y x1 x2 x3 c1 c2

　　adjust x1 x2 x3，se(使得变量x1、x2和x3等于其均值，求y的预测值和标准误)

　　adjust x1 x2 x3，stdf ci(使得变量x1、x2和x3等于其均值，求y的预测值，预测标准误和置信区间)

　　adjust x1 x2,by(c1) se ci(控制变量x1、x2，亦即取它们的均值，在分类变量c1的不同水平上求y预测值，标准误和置信区间)

　　adjust x1 x2 x3,by(c1) stdf ci(控制变量x1、x2、x3，亦即取它们的均值，在分类变量c1的不同水平上求y预测值，预测标准误和置信区间)

　　adjust x1 x2,by(c1 c2) se ci(控制变量x1、x2，在分类变量c1、c2的不同水平上求y的预测值，标准误和置信区间)

　　adjust x1 x2 x3,by(c1 c2) stdf ci(控制变量x1、x2、x3，在分类变量c1、c2的不同水平上求y的预测值，预测标准误和置信区间)

　　adjust x1=a x2=b x3=c，se ci(当x1=a、x2=b、x3=c时，求y的预测值、标准误和置信区间)

　　adjust x1=a x2=b x3=c，by(c1) se ci(当x1=a、x2=b、x3=c时，在分类变量c1的不同水平上，求y的预测值、标准误和置信区间)

　　adjust x1=a x2=b c1=1，by(c1) se ci(当x1=a、x2=b，并假设所有的样本均为c1=1，求在分类变量c1的不同水平上，因为变量x3的均值不同，而导致的y的不同的预测值……)

　　mvreg Y1 Y2 ……: X1 X2 X3……(多元回归)

　　mvreg y1 y2 y3: x1 x3 x3(多元回归分析，y1 y2 y3为因变量，x1 x3 x3为自变量)

　　本期的艾思科蓝资讯就分享到这里了，学海无涯，我们的每一天都在学习，艾思科蓝一直伴随在您的学习之路上。